目標(biāo)檢測(cè)技術(shù)是眾多計(jì)算機(jī)視覺任務(wù)中的關(guān)鍵技術(shù)之一,在交通、安防、軍事、醫(yī)療等眾多領(lǐng)域發(fā)揮著重要作用。然而設(shè)計(jì)精準(zhǔn)、快速的深度學(xué)習(xí)檢測(cè)模型仍是首要的解決的困難。依賴強(qiáng)大有效的復(fù)雜模型勢(shì)必會(huì)引起計(jì)算量的激增,導(dǎo)致實(shí)時(shí)性較差;然而簡潔快速的網(wǎng)絡(luò)結(jié)構(gòu)會(huì)使得模型檢測(cè)準(zhǔn)確度的下降。針對(duì)上述問題,本文分別從提升檢測(cè)準(zhǔn)確度和檢測(cè)速度兩方面做了以下探究。首先以端到端檢測(cè)的單次多目標(biāo)檢測(cè)器（Single Shot MultiBox Detector,SSD）為基礎(chǔ)架構(gòu),進(jìn)行檢測(cè)準(zhǔn)確度的優(yōu)化。SSD檢測(cè)模型有著較好的檢測(cè)實(shí)時(shí)性,但由于網(wǎng)絡(luò)結(jié)構(gòu)本身限制使其未能充分利用不同卷積中的特征信息,使得在小目標(biāo)檢測(cè)方面魯棒性不足�；诖�,設(shè)計(jì)了多尺度特征復(fù)用（Multi-level Feature Reused,MFR）模塊并提出了MFRDet檢測(cè)模型。MFRDet把不同卷積層聯(lián)系在一起,采用多尺度輸出共同參與最終預(yù)測(cè)。MFR模塊復(fù)用了七個(gè)不同分辨率特征圖中蘊(yùn)含的信息,均衡了模型的深層卷積網(wǎng)絡(luò)中高級(jí)語義信息和淺層卷積網(wǎng)絡(luò)中局部信息的分布,實(shí)現(xiàn)了較高的檢測(cè)精度。然后采用深度學(xué)習(xí)模型壓縮的方法,提升MFRDet模型的檢測(cè)速... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

最后一層特征圖預(yù)測(cè)

采用FPN結(jié)構(gòu)預(yù)測(cè)

SSD 類型多尺度預(yù)測(cè)

【參考文獻(xiàn)】：
期刊論文
[1]采用卷積核金字塔和空洞卷積的單階段目標(biāo)檢測(cè)[J]. 劉濤,汪西莉.  中國圖象圖形學(xué)報(bào). 2020(01)
[2]多尺度特征圖融合的目標(biāo)檢測(cè)[J]. 姜文濤,張馳,張晟翀,劉萬軍.  中國圖象圖形學(xué)報(bào). 2019(11)
[3]基于深度學(xué)習(xí)的智能人群監(jiān)控系統(tǒng)[J]. 向建,佟建朋,徐陽,陸思翔,劉宏清.  電子世界. 2019(16)
[4]基于深度學(xué)習(xí)的車牌定位和識(shí)別方法[J]. 李祥鵬,閔衛(wèi)東,韓清,劉瑞康.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(06)
[5]多維特征融合與Adaboost-SVM的車輛識(shí)別算法[J]. 崔鵬宇.  控制工程. 2019(03)
[6]基于深度學(xué)習(xí)的行人重識(shí)別研究進(jìn)展[J]. 羅浩,姜偉,范星,張思朋.  自動(dòng)化學(xué)報(bào). 2019(11)
[7]深度學(xué)習(xí)在基于單幅圖像的物體三維重建中的應(yīng)用[J]. 陳加,張玉麒,宋鵬,魏艷濤,王煜.  自動(dòng)化學(xué)報(bào). 2019(04)
[8]改進(jìn)的非極大值抑制算法的目標(biāo)檢測(cè)[J]. 趙文清,嚴(yán)海,邵緒強(qiáng).  中國圖象圖形學(xué)報(bào). 2018(11)
[9]基于深度學(xué)習(xí)的橋梁裂縫檢測(cè)算法研究[J]. 李良福,馬衛(wèi)飛,李麗,陸鋮.  自動(dòng)化學(xué)報(bào). 2019(09)
[10]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)技術(shù)的研究進(jìn)展[J]. 王慧玲,綦小龍,武港山.  計(jì)算機(jī)科學(xué). 2018(09)



本文編號(hào)：3227894